[论文解读] A global feature extraction model for the effective computer aided diagnosis of mild cognitive impairment using structural MRI images

Chen Fang, Panuwat Janwattanapong+2 more|arXiv (Cornell University)|Dec 2, 2017

Dementia and Cognitive Impairment Research参考文献 9被引用 3

一句话总结

该论文提出了一种基于高斯判别分析（GDA）的双高维决策空间的全局特征提取模型，以提升从结构磁共振成像（sMRI）中早期诊断轻度认知障碍（MCI）的性能。通过将双侧大脑半球的特征整合到统一分类器中，该方法在保留测试集上的F1分数达到91.06%，准确率为88.78%，优于以往针对CN与MCI分类的局部特征方法。

ABSTRACT

Multiple modalities of biomarkers have been proved to be very sensitive in assessing the progression of Alzheimer's disease (AD), and using these modalities and machine learning algorithms, several approaches have been proposed to assist in the early diagnosis of AD. Among the recent investigated state-of-the-art approaches, Gaussian discriminant analysis (GDA)-based approaches have been demonstrated to be more effective and accurate in the classification of AD, especially for delineating its prodromal stage of mild cognitive impairment (MCI). Moreover, among those binary classification investigations, the local feature extraction methods were mostly used, which made them hardly be applied to a practical computer aided diagnosis system. Therefore, this study presents a novel global feature extraction model taking advantage of the recent proposed GDA-based dual high-dimensional decision spaces, which can significantly improve the early diagnosis performance comparing to those local feature extraction methods. In the true test using 20% held-out data, for discriminating the most challenging MCI group from the cognitively normal control (CN) group, an F1 score of 91.06%, an accuracy of 88.78%, a sensitivity of 91.80%, and a specificity of 83.78% were achieved that can be considered as the best performance obtained so far.

研究动机与目标

• 为解决传统局部特征提取方法在每个二元比较（CN vs. MCI、CN vs. AD、MCI vs. AD）中需使用独立特征集的局限性，此类方法限制了其临床适用性。
• 开发一种统一的全局特征提取模型，通过双侧大脑半球数据构建双高维决策空间，以提升分类性能。
• 利用基于ANOVA的特征排序方法，识别与阿尔茨海默病进展最相关的皮层区域。
• 利用结构磁共振成像与机器学习技术，实现在MCI早期诊断中的最先进性能。
• 在保留测试集上验证模型，以确保其鲁棒性与泛化能力，超越交叉验证结果。

提出的方法

• 该方法采用基于全局GDA的分类器，其在源自左右大脑半球的双高维决策空间上进行训练。
• 从25个FreeSurfer标记的皮层区域提取特征，使用七种形态测量指标：表面积、行程深度、测地线深度、平均曲率、凸性、厚度和体积。
• 每侧半球生成175维特征向量（7种测量指标 × 25个区域），并将这些向量合并为单一全局特征空间用于分类。
• 使用ANOVA根据p值对特征进行排序，识别在三组诊断（CN、MCI、AD）中最具区分性的特征。
• 采用十折交叉验证评估模型性能，随后使用20%的保留测试集进行最终验证。
• 基于全局分类器性能选择最优特征集，结果显示内嗅皮层为最关键区域。

实验结果

研究问题

• RQ1 是否能够通过结合双侧大脑半球数据的全局特征提取模型，在区分MCI与认知正常对照（CN）方面，优于传统的局部特征提取方法？
• RQ2 基于结构磁共振成像的形态测量特征，哪些皮层区域与阿尔茨海默病的进展最显著相关？
• RQ3 在基于GDA的分类器中使用双高维决策空间，是否能提升相比单侧半球或局部特征方法的早期诊断性能？
• RQ4 所提出的模型是否能在保留测试集上实现CN与MCI分类的最先进性能？
• RQ5 内嗅皮层是否为MCI早期检测中最具区分性的区域，该结论是否得到特征排序与分类结果的验证？

主要发现

• 所提出的全局GDA模型在保留测试集上对CN与MCI分类的F1分数达到91.06%，准确率为88.78%，敏感性为91.80%，特异性为83.78%。
• 该模型显著优于文献中报道的近期交叉验证结果，尤其在具有挑战性的CN与MCI比较中表现更优。
• 内嗅皮层被确认为与AD进展最相关的最关键皮层区域，与既有的神经病理学发现一致。
• 前五名区域——内嗅皮层、中颞、下颞、梭状回和海马旁回——均被证实为AD特征区域，验证了特征排序方法的有效性。
• 使用双决策空间的全局分类器在所有比较中（CN vs. MCI、CN vs. AD、MCI vs. AD）的性能均优于局部模型。
• 最优特征集包含左侧半球48个特征和右侧半球61个特征，表明其在区分能力上存在显著的不对称性。